Plants are capable of building up beneficial rhizosphere communities as is evidenced by disease-suppressive soils. However, it is not known how and why soil bacterial communities are impacted by plant exposure to foliar pathogens and if such responses might improve plant performance in the presence of the pathogen. Here, we conditioned soil by growing multiple generations (five) of Arabidopsis thaliana inoculated aboveground with Pseudomonas syringae pv tomato (Pst) in the same soil. We then examined rhizosphere communities and plant performance in a subsequent generation (sixth) grown in pathogen-conditioned versus control-conditioned soil. Moreover, we assessed the role of altered root exudation profiles in shaping the root microbiome of infected plants.Plants grown in conditioned soil showed increased levels of jasmonic acid and improved disease resistance. Illumina Miseq 16S rRNA gene tag sequencing revealed that both rhizosphere and bulk soil bacterial communities were altered by Pst infection. Infected plants exhibited significantly higher exudation of amino acids, nucleotides, and long-chain organic acids (LCOAs) (C > 6) and lower exudation levels for sugars, alcohols, and short-chain organic acids (SCOAs) (C ≤ 6). Interestingly, addition of exogenous amino acids and LCOA also elicited a disease-suppressive response.Collectively, our data suggest that plants can recruit beneficial rhizosphere communities via modification of plant exudation patterns in response to exposure to aboveground pathogens to the benefit of subsequent plant generations.

Although interactions between plants and microbes at the plant-soil interface are known to be important for plant nutrient acquisition, relatively little is known about how root exudates contribute to nutrient exchange over the course of plant development. In this study, root exudates from slow- and fast-growing stages of Arabidopsis thaliana plants were collected, chemically analysed and then applied to a sandy nutrient-depleted soil. We then tracked the impacts of these exudates on soil bacterial communities, soil nutrients (ammonium, nitrate, available phosphorus and potassium) and plant growth. Both pools of exudates shifted bacterial community structure. GeoChip analyses revealed increases in the functional gene potential of both exudate-treated soils, with similar responses observed for slow-growing and fast-growing plant exudate treatments. The fast-growing stage root exudates induced higher nutrient mineralization and enhanced plant growth as compared to treatments with slow-growing stage exudates and the control. These results suggest that plants may adjust their exudation patterns over the course of their different growth phases to help tailor microbial recruitment to meet increased nutrient demands during periods demanding faster growth.

The network analysis has attracted increasing attention and interest from ecological academics, thus it is of great necessity to develop more convenient and powerful tools. For that reason, we have developed an R package, named "ggClusterNet," to complete and display the network analysis in an easier manner. In that package, ten network layout algorithms are designed to better display the modules of microbiome network (randomClusterG, PolygonClusterG, PolygonRrClusterG, ArtifCluster, randSNEClusterG, PolygonModsquareG, PolyRdmNotdCirG, model_Gephi.2, model_igraph, and model_maptree). For the convenience of the users, many functions related to microbial network analysis, such as corMicor(), net_properties(), node_properties(), ZiPiPlot(), random_Net_compate(), are integrated to complete the network mining. Furthermore, the pipeline function named network.2() and corBionetwork() are also added for the quick achievement of the network or bipartite network analysis as well as their in-depth mining. The ggClusterNet is publicly available via GitHub (https://github.com/taowenmicro/ggClusterNet/) or Gitee (https://gitee.com/wentaomicro/ggClusterNet) for users' access. A complete description of the usages can be found on the manuscript's GitHub page (https://github.com/taowenmicro/ggClusterNet/wiki).

Biological nitrogen fixation is crucial for agriculture and improving fertilizer efficiency, but organic fertilizers in enhancing this process remain debated. Here, we investigate the impact of organic fertilizers on biological nitrogen fixation through experiments and propose a new model where bacterial interactions with complex carbon sources enhance nitrogen fixation. Field experiments showed that adding organic fertilizers increased the nitrogenase activity by 57.85%. Subculture experiments revealed that organic fertilizer addition enriched genes corresponding to complex carbon and energy metabolism, as well as nifJ involved in electron transfer for nitrogenase. It also enhanced bacterial interactions and enhanced connectors associated with complex carbon degradation. Validation experiments demonstrated that combinations increased nitrogenase activity by 2.98 times compared to the single. Our findings suggest that organic fertilizers promoted nitrogen fixation by enhancing microbial cooperation, improved the degradation of complex carbon sources, and thereby provided utilizable carbon sources, energy, and electrons to N-fixers, thus increasing nitrogenase activity and nitrogen fixation.

Abstract The advent of next‐generation sequencing has revolutionized microbiome research, enabling in‐depth exploration of microbial communities through amplicon sequencing. The widespread adoption of sequencing across diverse fields, coupled with decreasing costs, underscores the critical need for validated, fully automated, reproducible, and adaptable analysis pipelines. However, analyzing these high‐throughput datasets often necessitates extensive bioinformatics expertize, hindering accessibility for many researchers. To address this challenge, in 2023 we developed EasyAmplicon, a comprehensive, user‐friendly pipeline that integrates popular tools such as USEARCH and VSEARCH, offering a streamlined workflow from raw data to results. Remarkably, EasyAmplicon has garnered significant recognition within a year, as evidenced by 127 citations to date. To further facilitate the researchers and enhance usability, we present a detailed protocol with a video recording that guides users through each step of the pipeline, including data preprocessing (quality filtering, chimera removal), amplicon sequence variant analysis, diversity analysis, and data visualization. The protocol is designed for ease of use, with each step documented, allowing researchers to execute the workflow without requiring complex scripting skills. The EasyAmplicon pipeline is freely available on GitHub ( https://github.com/YongxinLiu/EasyAmplicon ).